Hadoop/Hive Collect_list 没有重复项

Question

根据帖子，Hive 0.12 - Collect_list ，我试图找到 Java 代码来实现一个 UDAF，它将完成这个或类似的功能，但没有重复序列。

例如，collect_all() 返回一个序列 A, A, A, B, B, A, C, C我想要返回序列 A, B, A, C。依次重复的项目将被删除。

有没有人知道 Hive 0.12 中的函数将完成或已经编写了他们自己的 UDAF？

一如既往，感谢您的帮助。

Answer 1

我前一段时间遇到了类似的问题。我不想写一个完整的 UDAF 所以我只是用 brickhouse collect 做了一个组合和我自己的 UDF。假设你有这些数据

id  value
1   A
1   A
1   A
1   B
1   B
1   A
1   C
1   C
1   D
2   D
2   D
2   D
2   D
2   F
2   F
2   F
2   A
2   W
2   A

我的 UDF 是

package com.something;

import java.util.ArrayList;
import org.apache.hadoop.hive.ql.exec.UDF;
import org.apache.hadoop.io.Text;

public class RemoveSequentialDuplicates extends UDF {
    public ArrayList<Text> evaluate(ArrayList<Text> arr) {
        ArrayList<Text> newList = new ArrayList<Text>();
        newList.add(arr.get(0));
        for (int i=1; i<arr.size(); i++) {

            String front = arr.get(i).toString();
            String back = arr.get(i-1).toString();

            if (!back.equals(front)) {
                newList.add(arr.get(i));
            }
        }
        return newList;
    }
}

然后我的查询是

add jar /path/to/jar/brickhouse-0.7.1.jar;
add jar /path/to/other/jar/duplicates.jar;

create temporary function remove_seq_dups as 'com.something.RemoveSequentialDuplicates';
create temporary function collect as 'brickhouse.udf.collect.CollectUDAF';

select id
  , remove_seq_dups(value_array) no_dups
from (
  select id
    , collect(value) value_array
  from db.table
  group by id ) x

输出

1   ["A","B","A","C","D"]
2   ["D","F","A","W","A"]

顺便说一句，内置的 collect_list 没有必要按照分组的顺序保存列表中的元素； brickhouse collect 会。希望这会有所帮助。